Page 213 - 《高原气象》2022年第6期

高 原 气 象 41 卷
1576
Score）和相关系数 R 作为模型监测精度评价指标， 表3 模型监测值在训练集与测试集的精度评价指标
其中 RMSE和 MAE取值（0，∞），表示模型监测值与 Table 3 Accuracy evaluation indices of model monitored
实际值的差异，差值越小监测效果越好。EVS 和 R values in the training set and test set
分别取值（0，1）、（-1，1），EVS 越接近 1 模型效果 精度评价指标 训练集 测试集
越好，R 越接近-1 或 1 则模型监测值与实际值相关 RMSE 1. 172 2. 236
性越好。模型监测值在训练集与测试集的精度如 MAE 0. 847 1. 719
表 3 所示。从表 3 中可以看出，随机森林模型监测 EVS 0. 901 0. 858
值 在 训 练 集 和 测 试 集 的 EVS 分 别 为 0. 901 和 R 0. 944** 0. 908**
0. 858，整个模型较为优秀。训练集和测试集的 **表示通过了0. 01的显著性水平检验
RMSE 分别为 1. 172 和 2. 236，MAE 分别为 0. 847 和
温度空间分布基本相似，且重建地表温度值更接近
1. 719，两个指标均较小，表明模型监测精度较高；
于站点地表温度实测值。而与站点实测部分区域
同时 R 均达到 0. 9 以上，呈显著相关。综合可知，
基于随机森林模型重建的地表温度与站点实际测 有所差异的原因可能主要是由于气象观测站点较
量的地表温度相差不大，有强相关性，通过随机森 少（特别是青藏高原的西藏西部地区），经过空间插
林 算 法 可 以 提 高 MODIS 地 表 温 度 产 品 的 数 据 值后导致的误差偏大所引起。图 3中遥感监测值与
精度。 站点实测值相差较大，存在较大误差，这可能是与
图 2为 2010-2019年西南地区遥感监测地表温 遥感监测精度影响有关，同时再经过整个西南地区
度、气象站点实测地表温度与随机森林模型重建地 平均后从而造成了较大差异，而 RF 监测值与站点
表温度的空间分布。图 3 为遥感监测、气象站点实 实测值较为接近，具有较好的适用性。二者综合结
测和随机森林重建的地表温度月变化。图 2中经过 果表明，基于随机森林算法重建的地表温度，能够
模型监测的地表温度与遥感监测、站点实测的地表 得到较为有效、大范围和高分辨率的地表温度值。

图2 2010-2019年遥感监测（a）、气象站点实测（b）和随机森林监测重建（c）的地表温度空间分布
Fig. 2 Spatial distribution of land surface temperature on remote sensing monitoring（a），meteorological
station measurement（b）and random forest monitoring and reconstruction（c）from 2010 to 2019
3. 2 XGBoost模型监测干旱 DEM 能对研究区干旱造成不同程度的影响，NDVI
以往的研究表明干旱的形成过程极其复杂，往 和EVI指数可以通过反映植被状态进而监测干旱情
往由多种致灾因素共同影响，包括降水、温度、植 况；Red 和 NIR 波段植被反射率高，能有效监测植
被、环境以及人为活动等。由于植被覆盖类型和 被状况，在一定程度上可去除云和气溶胶等的影